刘霄宇，左劼，孙频捷

（1.四川大学计算机学院，成都610065；2.上海政法学院，上海200000）

0 引言

随着机器学习与深度学习技术的高速发展，图像分类算法已经在各个领域中体现出了它的应用价值。但对于机器学习与深度学习来说，都需要大量的标注数据进行驱动，让算法模型见过的数据越多，它的分类效果就会越精准。而在实际情况下，标注数据需要巨大的工作量，极其耗费人力、物力、财力资源。主动学习算法所解决的正是标注成本问题，它的目的是通过模型与标注人员的交互，使用少量的数据获取与大量数据相同的模型准确率。主动学习的概念早在90 年代便被学者提出[4]，其最早主要应用于机器学习的方法中，仅使用简单的选择策略便可以获得较好的效果[4]，如使用不确定性的主动学习方法[5]，使用委员会投票的方法[6]，期望模型最大提升的方法[7]，期望错误减小的方法[8]和期望变化减小的方法[9]。随着深度学习的发展，模型复杂度的增加，主动学习的传统方法在深度学习模型中并没有体现出其优秀的表现。在2017 年，Zhu J J 等人提出了借用生成对抗网络的主动学习方法[12]。在2018 年，Ozan Sener 等人[1]提出了使用核心集的方法，通过数据在特征空间上的代表性来选择标注数据。2019 年，Donggeun Yoo 等人[2]提出了通过学习损失函数的值的方式来进行标注数据的选择。2019 年，Samarth Sinha 等人[3]提出了使用变分自编码器的表征学习方式来学习已标注数据和未标注数据的差异来选择标注数据。这些主动学习方法在公开的数据集上都取得了优秀的效果，进一步的证明了主动学习的研究价值。……